从爬取湖北某高校hub教务系统课表浅谈Java信息抓取的实现 —— import java.*;

原创文章与源码，如果转载请注明来源。　　

开发环境：Myeclipse，依赖包：apache-httpclient 、 Jsoup、base64

一、概述

整个系统用Java开发。我们现在要做的是类似于超级课程表、课程格子之类的功能：输入一个学生的教务系统账号、密码，得到Ta的课程表信息。点击进入课表查询，我们发现了这样的页面：

这就是我们需要的结果。其实思路很简单，用java访问这个链接，拿到Html字符串，然后解析链接等需要的数据。

这个页面的URL是http://s.hub.hust.edu.cn/aam/report/scheduleQuery.jsp

因此，我们发送HTTP请求GET http://s.hub.hust.edu.cn/aam/report/scheduleQuery.jsp，这样就可以等到课表的内容了。但是，这个页面必须是在登录之后才能访问的，如果直接发送GET请求的话，系统会认为你没有登录，所以会拒绝你的请求（跳转到登录页面），所以，在发送GET请求之前，必须实现模拟登录。

二、JAVA中GET/POST请求的实现

在进行模拟登录之前，我们需要了解一些基本知识。

首先请看关于HTTP请求的基础知识：http://www.cnblogs.com/yin-jingyu/archive/2011/08/01/2123548.html

在java中，实现执行http请求有多种方式，比如使用urlconnection等等，不过在这里我们使用apache-httpclient。HttpClient 是 Apache Jakarta Common 下的子项目，可以用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。

 //1. 首先创建一个CookieStore用于存储Cookie数据

 CookieStore cookieStore = new BasicCookieStore();

 //2.创建httpclient，并关联CookieStore

 DefaultHttpClient client = new DefaultHttpClient();
 client.setCookieStore(cookieStore);

 client.getParams().setParameter(CookieSpecPNames.DATE_PATTERNS, Arrays.asList("EEE, dd MMM yyyy HH:mm:ss z")); //该代码用于设置cookie中的expires时间日期格式。添加该代码是因为华科网站使用的cookie日期格式不是标准格式。

创建GET请求：

 HttpGet get = new HttpGet("http://xxxx");
 get.setHeader("xxx","xxx");
 get.setHeader("xxxx","xxxx");
 get.setHeader("Cookie","cookie");
 HttpResponse response = client.execute(get);
 get.releaseConnection();

创建POST请求：

        HttpPost post = new HttpPost("http://xxxx");
        post.setHeader("xxx","xxxx");
        post.setHeader("xxxx","xxxx");
        post.setHeader("Cookie","cookie");

        //对post请求发送参数
        List<NameValuePair> nvps = new ArrayList<NameValuePair>();
        nvps.add(new BasicNameValuePair("username", "111"));
        nvps.add(new BasicNameValuePair("password", "xxx"));
        post.setEntity(new UrlEncodedFormEntity(nvps,"utf-8"));

　　　　 HttpResponse response = client.execute(post);

从CookieStore得到Cookie字符串

         StringBuilder stringBuilder = new StringBuilder();
         for(Cookie cookie:cookieStore.getCookies()){
             String key =cookie.getName();
             String value = cookie.getValue();
             stringBuilder.append(key).append("=").append(value).append(";");
         }

         return stringBuilder.toString();

从HttpResponse对象中获取执行的结果（输入流）

         InputStream inputStream = response.getEntity().getContent();
         //获取结果的输入流

从输入流中获取字符串，可以用如下的函数（注意编码问题）

     public static String in2Str(InputStream in) throws IOException{
         BufferedReader rd = new BufferedReader(new InputStreamReader(in,"utf-8"));
         String line = null;
         StringBuilder sb = new StringBuilder();
         while ((line=rd.readLine())!=null) {
             sb.append(line).append("\r\n");
         }
         return sb.toString();
     }

Jsoup解析

参考资料：http://www.open-open.com/jsoup/

以上几段程序代码就是我们程序工作的核心了，在我的源码中，对这些代码进行了封装，你可以轻松找到它们（在spider包中)。

三、模拟登录的实现

一般地，在java web中，登录可以由类似于如下的代码实现：

前台html的代码如下：

 <form action="/login.action" method="post" >
     <label for="username">用户名</label>
     <input id="username" name=“username" type="text" />
     <label for="password">密码</label>
     <input id="password" name=“password" type="password" />
     <input type="submit" value="登录" />

 </form>

后台action如下(spring mvc)：

 @RequestMapping("/login.action")
     public String loginSubmit(HttpServletRequest request,HttpServletResponse response,
 　　@RequestParam("username") String username,@RequestParam("password") String password) {
 　　 
 5
 　　　　if(username==null||password==null){
            request.setAttribute("msg", "您的输入有误！");
            return "/login";
 　　　　}
  　　　 if(username.equals("")||password.equals("")){
             request.setAttribute("msg", "您的输入有误！");
             return "/login";
  　　　}
 　　User user = userDao.getUser(username, password);
 　　if(user==null){
 　　　　　　　//TODO 登录失败
 　　　　　　　return "xxx";
 　　}else{
 　　　　　　request.getSession().setAttribute("loginUser",user); //保存登录后的用户到session
 　　　　　　//TODO 登录成功
 　　　　　　 return "xxx";
 　　}
 　　
 }

其实登录也就是发送POST请求，服务器接收到POST请求（Request）后，对其处理（查询数据库等），返回Response。

其中最关键的与身份验证有关的操作就是request.getSession().setAttribute("loginUser",user) 了。将登录后的用户保存到session中，这样，在访问其他需要身份验证的页面时，服务器只需要判断session中是否有该用户，如果有就表示身份验证通过，如果没有则表示身份验证失败。而java中对于session的实现是依赖于cookie中的jsessionid属性的(参考文档)，如果模拟出登录请求后（也就是模拟一个POST请求），得到cookie（也就是得到jsessionid），下次请求时将cookie发送给服务器以表明身份，不就可以访问带有权限的URL了么？

首先我们需要下载webscrab，这个软件有多强大这里就不细说了，大家可以自行百度下载地址。下载后是.jar格式，怎么运行不用我多说了吧。关于webscrab的使用见webscrab.pdf

（webscrab的核心设置)

1.拦截登录时的POST请求：（如果不会请参考使用说明或者百度webscrab的使用）

这里我们需要这两种信息：Parsed和URLEncoded，其中，Parsed是POST请求的URL和Header，而URLEncoded则是该请求发送的参数。

我们先看Parsed部分，Parsed部分是由Method、URL和响应头（以<Header,Value>表示的Map型结构）组成。Method表示该请求是POST请求还是GET请求；响应头对应了HttpGet/HttpPost类中的setHeader方法，大多数Header不是必须的，但是在请求时，最好加上相同的Header，以免出现一些问题。例如：如果没有Host（该值表示域名，例如url是http://www.abc.com/login.action，则该值就是www.abc.com）或者Referer头（表示发起请求时的页面，告诉服务器我是从哪里过来的，比如是http://www.abc.com/login.html)，在某些情况下可能会出现404错误。【这可能是由于服务器设置了防盗链机制】

因此，最好的处理是将拦截到的Header，都添加到HttpGet/HttpPost中。

或者以一个HashMap的方式存储：（spider.tools.hub.HubEventAdapter和SHubEventAdapter）

         HashMap<String, String > map = new HashMap<>();
         map.put("Accept","text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
         map.put("Referer", "http://hub.hust.edu.cn/index.jsp");
         map.put("Accept-Language","zh-CN,zh;q=0.8");
         map.put("User-Agent", useragent);
         map.put("Accept-Encoding", "gzip, deflate");
         map.put("Host", "hub.hust.edu.cn");
         map.put("Proxy-Connection", "Keep-Alive");
         map.put("Pragma", "no-cache");

遍历它们，调用setHeader方法。

下面我们再来看URLEncoded部分，该部分表示POST请求发送给服务器的数据。我们发现，其中有三项数据username、password、ln。

我们发现，这里的password值并不是我们刚刚输入的密码，而似乎是一种加密之后的结果，查看http://hub.hust.edu.cn/index.jsp的源代码，发现如下代码：（第210行）

                    var password = $("input[name='password']").val();
                    if(password==""){
                        alert("请输入用户密码(Password)");
                        $("input[name='password']").focus();
                        return false;
                    }

                    $("input[name='password']").val($.base64.encode(password)); //我们要找的东西在这里！！！

很明显，$.base64，这是base64加密，所以在我们发送POST请求之前，应该对密码进行一次base64加密后再发送。（可以根据密码长度判断是什麼加密类型，一般都是base64加密，32位一般是MD5加密，再长一些则可能是AES加密，如果结果非常长则很可能是RSA加密。）

而ln值，你可以尝试反复刷新页面，反复提交、拦截，会发现每次ln值都会改变，对于这样每次会改变的值，我们采取这样的方式：

GET /index.jsp -> cookie、ln  - >POST /login.action

首先对首页执行GET方法，获取首页的HTML内容，并保存cookie。、

接下来用Jsoup解析首页的html内容，得到ln值。

最后将ln值与cookie，加上用户输入的用户名、密码一起POST到/login.action 。

3.中转登录

在发送POST请求后，使用（二）中提供的in2Str方法，得到返回结果，居然发现结果如下：

 <body>
     <form action="" method="post" name="form1">
         <input type="hidden" id="usertype" name="usertype" value="xs">
         <input type="hidden" id="username" name="username" value="U2013">
         <input type="hidden" id="password" name="password" value="1061d0c  （这里为了用户隐私我没有显示）
 269c">
         <input type="hidden" id="url" name="url" value="http://s.hub.hust.edu.cn/">
         <input type="hidden" name="key1" value="367265"/>
         <input type="hidden" name="key2" value="a261ab7e0cecb430651868727cd3fb35"/>
         <input type="hidden" name="F_App" value="From kslgin. App:app61.dc.hust.edu.cn
 |app614|IP:10.10.10.247"/>
     </form>
     <script type="text/javascript">
     var url = document.getElementById("url").value;
     document.form1.action=url+'hublogin.action';
     document.form1.submit();
     </script>
 </body>

原来这就是华科中转登录的机制啊。还是一样的发送POST请求

POST http://s.hub.hust.edu.cn/hublogin.action

usertype,username,password,url,key1,key2,F_App。

注意：此时的域名已经改为http://s.hub.hust.edu.cn/了，那么Header中的Host和Refer值最好也改为http://s.hub.hust.edu.cn/。

4.返回

使用下面代码获取POST执行后的整型返回值：

int code = response.getStatusLine().getStatusCode();

如果code=302则登录成功，否则登录失败。（302也就是表示登录已经成功，可以跳转到其他页面了。）

四、课表的获取

在第三部登录成功之后，我们发现GET  http://s.hub.hust.edu.cn/aam/report/scheduleQuery.jsp 似乎不包含我想要的课表信息，于是继续使用webscrab。

点击“课表查询”，继续拦截请求，通过几次拦截，发现有一个请求应该包含我需要的课表信息。

因此，还是使用跟之前类似的方法，发送POST请求

POST http://s.hub.hust.edu.cn:80/aam/score/CourseInquiry_ido.action

start = 2016-02-29

end = 2016-04-11

别忘记带上第三步（登录后）的Cookie！

最后得到的结果如下：

当当~~当————

点击下一月，URLEncoded变成了：

这样的日期似乎比较乱啊，

如果将start设置为2016-03-01，end设置为2016-03-31，获取的就是3月的课表。

至此，华科大教务系统课表爬取完成！

五、总结

我的代码的编程思路：（用抽象语言表述）

 //整体代码用抽象Java语言表示，这些代码只是表示设计思路。不能运行

 Header header1 = {"refer","http://hub.hust.edu.cn/index.jsp","host":"hub.hust.edu.cn"}; //响应头header1
 Header header2 = {"refer","http://s.hub.hust.edu.cn/index.jsp","host","s.hub.hust.edu.cn"}; //响应头header2

 Get get = new Get ("http://hub.hust.edu.cn/index.jsp").header(header1);   //进入首页
 Response res1 = get.execute();
 String content1 = res1.getContent();  //获取index.jsp的html代码
 String ln = getln(Jsoup.parse(content1));  //使用jsoup解析index.jsp的html代码，从中获取出ln(input hidden name='ln'的value)

 Post post = new Post("http://hub.hust.edu.cn/hubulogin.action").header(header1);   //准备模拟登录的，POST提交

 //添加post数据
 post.add("username","123456789");
 post.add("password"，base64encode("mypassword"));
 post.add("ln",ln)

 Response res2 = post.execute();  //执行post请求

 Post post2 = new Post("http://s.hub.hust.edu.cn/hublogin.action").header(header2); //中转登录，注意header的变化
 Document dform = Jsoup.parse(res2.getContent());  //得到返回的动态表单内容
 post.add("usertype",getUserType(d));
 post.add("username",getUserName(d));
 post.add("password",getPassword(d));
 post.add("url",getURL(d));
 post.add("key1",getKey1(d));
 post.add("key2",getKey2(d));
 post.add("F_App",getFApp(d));

 Response res3 = post2.execute();

 if(res3.getStatusLine().getStatusCode()==302){
     syso("登录成功");
 }else{
     syso("登录失败");
     return;
 }

 Post kbPost = new Post("http://s.hub.hust.edu.cn:80/aam/score/CourseInquiry_ido.action").header(header2); //获取课表的post请求
 kbPost.add("start","2016-03-01");
 kbPost.add("end","2016-03-30");
 Response res4 = kbPost.execute();
 if(res4.getStatusLine().getStatusCode()==200){
     syso(res4.getContent());
 }else{
     syso("服务器异常！");
 }

扩展：

你可以直接在我的基础上扩展，适用于其他学校的“课程格子”。

你可以选择继承AbstractTask类来表示一项POST/GET请求任务，用getEvent方法来表示该任务的具体内容，最好是对SpiderTaskEvent使用适配器模式。

示例代码如下：（这是基于另一个学校的教务系统实现）

　　

 public abstract class JwxtEventAdapter implements SpiderTaskEvent{

     private static final String useragent = "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko";
     List<StringHeader> headers;

     private Cookies cookies;
     public JwxtEventAdapter(Cookies cookies){
         HashMap<String, String> map = new HashMap<>();
         map.put("Accept","text/html, application/xhtml+xml, image/jxr, */*");
         map.put("Referer", "http://jwxt.hubu.edu.cn/");
         map.put("Accept-Language","zh-Hans-CN,zh-Hans;q=0.8,en-GB;q=0.5,en;q=0.3");
         map.put("User-Agent", useragent);
         map.put("Accept-Encoding", "gzip, deflate");
         map.put("Host", "jwxt.hubu.edu.cn");
         map.put("Proxy-Connection", "Keep-Alive");
         map.put("Pragma", "no-cache");

         headers = StringHeader.build(map);
         this.cookies = cookies;
     }
     public JwxtEventAdapter(){
         this(null);
     }

     @Override
     public void beforeExecute(SpiderRequest request) throws IOException {
         request.setTimeout(20000);
         request.setHeaders(headers);
         if(cookies!=null){
             request.setCookie(cookies);
         }
     }

     @Override
     public void afterExecute(SpiderRequest request, SpiderResponse response)
             throws IOException {

     }

 }

 public class JwxtRandomTask extends AbstractTask {

     private String random;

     private Image image;

     public Image getImage(){
         return image;
     }

     /**
      * @param client
      */
     public JwxtRandomTask(HttpClient client) {
         super(client);

     }

     public String getRandom() {
         return random;
     }

     @Override
     public Method getMethod() {

         return Method.GET;
     }

     @Override
     public String getURL() {

         return "http://jwxt.hubu.edu.cn/verifycode.servlet";
     }

     @Override
     public SpiderTaskEvent getEvent() {

         return new JwxtEventAdapter() {

             @Override
             public void afterExecute(SpiderRequest request,
                     SpiderResponse response) throws IOException {
                 image = ImageIO.read(response.getContentStream());

             }
         };
     }

　　

我在写这个程序的时候，确实遇到了一些麻烦，就比如本文提到的404的问题；以及我可能是有点急躁吧，一开始没有注意到其实这个登录action是有一次中转的，导致后面的GET操作都被系统提示为非法操作。

确实做这个让自己感慨万千，大学几年来一直难以踏踏实实的做一些事情，太浮躁，C语言、算法、Java等等都是不精，只学了一点皮毛。一个大三学生班门弄斧，满纸荒唐言，如有错误还请各位大神批评和指出，非常感谢！最后感谢一下提供账号的同学d=====(￣▽￣*)b。

希望以后能越走越远！import java.*;

ps.我的源码下载地址：下载1    下载2